Anda di halaman 1dari 17

PENGOLAHAN DATA MENGGUNAKAN SOFTWARE MINITAB

DATA AIRLINES

112 115 145 171 196 204 242 284 315 362 406 417
118 126 150 180 196 188 233 277 301 348 396 391
132 141 178 193 236 235 267 217 356 363 420 419
129 135 163 181 235 227 269 313 348 435 472 461
121 125 172 183 229 234 270 318 355 491 548 472
135 149 178 218 243 264 315 374 422 505 559 535
148 170 199 230 264 302 364 413 465 404 463 622
148 170 199 242 272 293 347 405 467 359 407 606
136 158 184 209 237 259 312 325 404 310 362 508
119 133 162 191 211 229 274 306 347 337 405 461
104 114 146 172 180 203 237 271 305 360 417 390
118 140 166 194 201 229 278 306 336 342 391 432

Input data pada minitab seperti pada tahap berikut:

1. Langkah pertama yang dilakukan adalah menginput data airline,

kemudian dilakukan pengidentifikasian data dengan melakukan plot pada data,

StatTime SeriesTime Series Plot.


Time Series Plot of C1

600

500

400
C1

300

200

100

1 14 28 42 56 70 84 98 112 126 140


Index

StatTime SeriesTrend Analysis Plot

Trend Analysis Plot for C1


Linear Trend Model
Yt = 87,35 + 2,65*t

Variable
600 Actual
Fits

Accuracy Measures
500
MAPE 12,55
MAD 34,88
MSD 2160,67
400
C1

300

200

100

1 14 28 42 56 70 84 98 112 126 140


Index
2. Langkah kedua mengecek kestasioneran data time series
Berdasarkan plot data dan grafik trend analisis data di atas dapat diketahui bahwa
Data airlines mengalami kenaikan seiring bertambahnya waktu dan nilai aktualnya semakin
menjauh jauh dari garis linear dan mempunyai varians yang semakin besar, sehingga trend
ini termasuk time series yang tidak stasioner dalam rata-rata. Akan tetapi dari grafik
terlihat fluaktuasinya tidak terlalu beragam sehigga termasuk time series yang stasioner
dalam variansi.
Kestasioneran data juga dapat dicek dari nilai ACF dan PACFnya sebagai berikut ;

1. ACF

Kemudian, select C1 dan pilih pada jendela seperti gambar berikut:

Setelah mengKLIK OK muncullah Autocorelation Function (ACF) sebagai berikut:


Adapun grafik ACF sebagai berikut:
2. PACF

Kemudian, select C1 dan pilih pada jendela seperti gambar berikut:

Setelah mengKLIK OK muncullah Parsial Autocorelation Function (PACF) sebagai berikut:


Adapun grafik PACF sebagai berikut:

Dari kedua output diatas terlihat bahwa nilai ACF dan PACFnya turun lambat atau perbedaan nilai
signifikasinya kecil sehingga termasuk time series yang tidak stasioner.

3. Langkah ketiga, Menstasionerkan data time series

Untuk menstasionerkan data dalam variansi maka dilakukan langkah berikut


Dilakukan dengan cara StatControl ChartsBox-Cox Transformation.

Pilih data yang akan diolah, pada menu subgroup isi dengan angka 1.

Outputnya adalah sebagai berikut

Box-Cox Plot of C1
Lower CL Upper CL
Lambda
140
(using 95,0% confidence)
Estimate -0,08
120 Lower CL -0,41
Upper CL 0,28

100 Rounded Value 0,00


StDev

80

60

40

20 Limit

-5,0 -2,5 0,0 2,5 5,0


Lambda

Dilihat dari plot Box-Cox, nilai lamda rounded value-nya adalah 0.

Sedangkan data dikatakan stasioner dalam variansi apabila rounded value-nya 1. Sehingga
dilakukan transformasi. Transformasi dilakukan dengan cara Control ChartsBox-
CoxTransformation lalu klik option dan simpan hasil transformasi

Kemudian lakukan kembali langkah awal tadi


Sampai diperoleh nilai rounded value nya1

Box-Cox Plot of C5
Lower CL
0,0183 Lambda
(using 95,0% confidence)
0,0182 Estimate 1,11

Lower CL -2,46
Upper CL *
0,0181
Rounded Value 1,00
StDev

0,0180

Limit
0,0179

0,0178

0,0177

-5,0 -2,5 0,0 2,5 5,0


Lambda

Untuk menstasionerkan data tersebut dalam rata-rata, akan digunakan data selisih. Data selisih
digunakan untuk menentukan kestasioneran data runtun waktu jika data asli tidak stasioner.
Maka data selisih pertama diperoleh dengan langkah langkah sebagai berikut
1. Pilih Stat Time Series Differences, sehingga akan muncul tampilan
seperti di bawah ini:
2. Plot Data difference

Trend Analysis Plot for C6


Linear Trend Model
Yt = 0,00350 - 0,000020*t

Variable
0,075 Actual
Fits

0,050 Accuracy Measures


MAPE 98,4475
MAD 0,0198
0,025 MSD 0,0006
C6

0,000

-0,025

-0,050

1 14 28 42 56 70 84 98 112 126 140


Index

Dilihat dari grafik bahwa data sudah stasione dalam variansi


3. Nilai ACF dan PACF
Autocorrelation Function for C6
(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 5 10 15 20 25 30 35
Lag

Dari plot ACF tersebut, nampak bahwa pada lag 12,24,36,... , nilai-nilai ACF mendekati satu dan
turun secara lambat, mengindikasikan bahwa data belum stasioner dalam mean dengan musiman
12. Sehingga dlakukan proses differencing satu musiman 12, dari data yang sudah di differencing
satu non musiman (diff1). StatTime SeriesDifferences

Partial Autocorrelation Function for C6


(with 5% significance limits for the partial autocorrelations)

1,0
0,8
0,6
Partial Autocorrelation

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 5 10 15 20 25 30 35
Lag

Sebagaimana langkah-langah sebelumnya maka diperoleh output


Trend Analysis Plot for C7
Linear Trend Model
Yt = 0,00094 - 0,000011*t
0.10 Variable
Actual
Fits

0.05 Accuracy Measures


MAPE 125.654
MAD 0.010
MSD 0.000

0.00
C7

-0.05

-0.10
1 14 28 42 56 70 84 98 112 126 140
Index

Autocorrelation Function for C7


(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 5 10 15 20 25 30
Lag

Partial Autocorrelation Function for C7


(with 5% significance limits for the partial autocorrelations)

1,0
0,8
0,6
Partial Autocorrelation

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 5 10 15 20 25 30
Lag

Autocorrelation Function: C7
Lag ACF T LBQ Partial Autocorrelation Function: C7
1 -0,457537 -5,24 28,06
2 0,058111 0,56 28,51
Lag PACF T
3 -0,130635 -1,25 30,84
1 -0,457537 -5,24
4 0,077169 0,73 31,65
2 -0,191270 -2,19
5 -0,043041 -0,41 31,91
3 -0,244803 -2,80
6 0,065797 0,62 32,51
4 -0,130277 -1,49
7 -0,007555 -0,07 32,52
5 -0,118973 -1,36
8 -0,050772 -0,48 32,89
6 -0,029900 -0,34
9 0,067938 0,64 33,54
7 0,017502 0,20
10 0,009790 0,09 33,56
8 -0,052739 -0,60
11 0,174297 1,63 37,97
9 0,044738 0,51
12 -0,433251 -3,97 65,45
10 0,089209 1,02
13 0,168419 1,39 69,64
11 0,335342 3,84
14 -0,040860 -0,33 69,89
12 -0,230301 -2,64
15 0,075820 0,61 70,75
13 -0,201337 -2,30
16 -0,062687 -0,51 71,35
14 -0,153635 -1,76
17 0,100275 0,81 72,88
15 -0,165425 -1,89
18 -0,089365 -0,72 74,12
16 -0,191767 -2,19
19 0,062164 0,50 74,72
17 -0,063241 -0,72
20 -0,079812 -0,64 75,72
18 -0,019725 -0,23
21 -0,005250 -0,04 75,72
19 0,098191 1,12
22 -0,040637 -0,32 75,98
20 -0,022693 -0,26
23 0,110355 0,88 77,95
21 -0,048409 -0,55
24 -0,056133 -0,44 78,46
22 -0,066909 -0,77
25 0,086013 0,68 79,68
23 0,221186 2,53
26 -0,005210 -0,04 79,68
24 -0,117176 -1,34
27 -0,032923 -0,26 79,86
25 -0,017955 -0,21
28 0,050990 0,40 80,30
26 0,076893 0,88
29 -0,071036 -0,56 81,17
27 0,029813 0,34
30 -0,001422 -0,01 81,17
28 0,051151 0,59
31 -0,031884 -0,25 81,34
29 0,046291 0,53
32 0,069590 0,54 82,20
30 -0,028456 -0,33
33 0,089266 0,70 83,61
31 -0,012824 -0,15
32 -0,120385 -1,38
33 0,048867 0,56

Dari grafik PACF dan ACF diatas terlihat bahwa data sudah stasioner terlihat dari nilai
ACF dan PACF yang tidak turun lambat. Terlihat juga dari nilai cut off yang tidak lebih
dari 3.
4. Langkah keempat identifikasi model yang sesuai
Pada grafik data FAK data sudah stasioner karena grafik terlihat
tidak turun lambat sehingga dapat langsung diperkirakan modelnya dan
memotong white noisepada lag-1, sedangkan pada grafik FAKP terlihat
memotong white noise pada lag-1, lag-2, lag-3 juga dilakukan
differencing orde 2, maka dugaan model yang cocok adalah
ARIMA(1,1,1), ARMA(1,1)

Pilih Stat Time Series ARIMA,

ARIMA(1,1,1)
ARIMA Model: C7
Estimates at each iteration

Iteration SSE Parameters


0 1,41867 0,100 0,100 0,090
1 0,14093 -0,050 0,250 0,016
2 0,12195 0,019 0,400 0,011
3 0,10176 0,068 0,550 0,007
4 0,07934 0,087 0,700 0,004
5 0,05348 0,051 0,850 0,001
6 0,04161 -0,099 0,901 0,000
7 0,03636 -0,243 0,996 -0,000
8 0,03378 -0,393 0,995 -0,000
9 0,03368 -0,455 0,994 -0,000
10 0,03353 -0,459 0,994 -0,000
11 0,03335 -0,459 0,993 -0,000

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P


AR 1 -0,4593 0,0800 -5,74 0,000
MA 1 0,9928 0,0020 489,20 0,000
Constant -0,00006600 0,00004104 -1,61 0,110

Differencing: 1 regular difference


Number of observations: Original series 131, after differencing 130
Residuals: SS = 0,0332969 (backforecasts excluded)
MS = 0,0002622 DF = 127

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 46,1 53,4 77,3 101,0
DF 9 21 33 45
P-Value 0,000 0,000 0,000 0,000

Dari hasil penghitungan di atas diperoleh model ARIMA(1,1,1) yang


mempunyai parameter dari
Maka diperoleh persamaan modelnya yaitu:

Zt = (0.5407) Zt-1+0.4593Zt-2+at +0.9928 at-1


Dengan nilai error yang kecil MS = 0,0002622
ARMA(1,1)
Estimates at each iteration

Iteration SSE Parameters


0 1,35074 0,100 0,100 0,090
1 0,13819 -0,021 0,221 -0,022
2 0,08827 0,051 0,371 -0,013
3 0,05084 0,106 0,521 -0,006
4 0,02935 0,118 0,671 -0,001
5 0,02868 0,052 0,697 0,000
6 0,02868 0,044 0,694 0,000
7 0,02868 0,044 0,694 0,000

Unable to reduce sum of squares any further

Final Estimates of Parameters

Type Coef SE Coef T P


AR 1 0,0437 0,1316 0,33 0,740
MA 1 0,6935 0,0949 7,31 0,000
Constant 0,0000348 0,0004036 0,09 0,931
Mean 0,0000364 0,0004220

Number of observations: 131


Residuals: SS = 0,0286255 (backforecasts excluded)
MS = 0,0002236 DF = 128

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 38,3 49,5 78,1 104,6
DF 9 21 33 45
P-Value 0,000 0,000 0,000 0,000

Dari hasil di atas makan dapat ditentukan Zt, sebagai berikut:

= 1 1 + 1

= 0,0000348 0,0437 1 + 0,69351

Dengan nilai error yang lebih kecil MS = 0,0002236

Sehinngga yang akan diuji adalah Model ARMA(1,1)

5. Langkah kelima uji kecocokan model

1. H0: = 0 ( )
H1: 0 ( )
2. = 0.05
3. Tolak H0jika | thitung | >/2,
Dimana dk = n- p yaitu n untuk banyaknya data dan p adalah banyaknya parameter.
4. UjiStatistik

=
()

UJI PARAMETER KONSTAN

0,0000348
= = 0.086
0,0004036

Berdasarkan table distribusi t, diperolehnilai .Dimana, | |<0.025,128 yaitu 0.086<1.98


sehingga H0 diterima yang berarti parameter konstan() tidak cukup signifikan dalam
model.